MTT S5000 : des résultats prometteurs en IA incarnée, mais pas de verdict face aux autres GPU

En septembre 2026, Moore Threads a présenté plusieurs résultats de son GPU MTT S5000 pour l’IA incarnée — des systèmes d’IA qui apprennent à agir dans un environnement physique ou simulé. Ils portent sur l’apprentissage par renforcement, l’efficacité d’un pipeline logiciel et une expérience sur robot réel. Ils ne constituent pas, ensemble, un banc d’essai comparatif de bout en bout face à d’autres GPU. 4

Des courbes proches, pas nécessairement la même vitesse

Sur la charge de travail WoVR du framework RLinf, les essais ont utilisé 248 environnements parallèles, la même méthode d’entraînement et la même graine aléatoire. Les courbes obtenues avec le S5000 et un GPU international de référence présentent une corrélation étape par étape de r = 0,976. Une concordance des taux de réussite des politiques entraînées a également été rapportée lors d’une évaluation LIBERO-Spatial. Cette corrélation décrit l’évolution de l’apprentissage ; elle ne dit pas combien de temps chaque système a mis pour terminer l’entraînement. 410

Le soutien logiciel compte aussi pour les équipes qui voudraient reproduire ces essais. Selon les informations publiées, RLinf prend en charge le backend MUSA de Moore Threads. Depuis sa version 0.3, son processus officiel d’intégration continue — les vérifications automatiques effectuées avant l’intégration de code — comprend des tests sur le MTT S5000. 4

Un pipeline plus efficace, selon une comparaison avant-après

Moore Threads décrit trois modifications : déplacer le traitement des images du processeur hôte vers le GPU, regrouper des contrôles numériques dans la boucle de débruitage et remplacer des valeurs scalaires Python par des tenseurs stockés sur le GPU dans une partie fréquemment exécutée du code. Dans la configuration mesurée, le temps par étape est passé de 2 549 à 1 888 secondes, soit environ 26 % de moins. Le taux d’inactivité du GPU est passé de 18,5 % à 3,1 %. Il s’agit d’un résultat avant-après sur le même pipeline, et non d’une mesure de vitesse face à un GPU concurrent. 4

La société revendique séparément des performances 1,6 à 2 fois supérieures à celles de GPU internationaux de référence dans des tests portant sur les opérations GEMM et d’attention. Un avantage mesuré sur ces opérations ne se traduit pas automatiquement par un entraînement ou une application robotique aussi rapide de bout en bout. 4

Ce que montre l’essai sur robot réel

Dans une tâche d’assemblage réalisée par un robot à deux bras, avec un processus d’évolution des politiques fondé sur π0.5, Moore Threads rapporte un taux de réussite passé d’environ 20 % à 92 % et un temps consacré aux manipulations fines réduit de 39,5 %. Ces chiffres concernent cette tâche et cette configuration ; ils ne décrivent pas un taux de réussite général du S5000 en robotique. 4

Pour une équipe de robotique, l’intérêt potentiel d’une plateforme tient à sa capacité à couvrir plusieurs étapes : entraînement des modèles, rendu des images, simulation physique et évaluation des politiques. Moore Threads présente des solutions qui s’étendent sur plusieurs de ces étapes, mais les chiffres publiés ne démontrent pas indépendamment les performances de l’ensemble du cycle de développement. Avant de choisir la plateforme, il serait prudent de demander des configurations reproductibles, des essais répétés sur robot réel et des mesures de bout en bout sur les tâches que l’équipe compte effectivement exécuter. 411